FedKT-CSD permet l'apprentissage fédéré en un seul passage avec une confidentialité différentielle formelle

Les auteurs proposent FedKT-CSD, un cadre d'apprentissage fédéré en un seul passage qui répond au défi de maintenir la qualité du modèle et la confidentialité lorsque les distributions des données clients divergent. La méthode utilise des autoencodeurs pré-entraînés publiquement pour créer un espace latent partagé où les clients encodent leurs données privées et transmettent des statistiques conditionnelles par classe.

• Les clients effectuent un seul passage avant (forward pass) pour calculer les statistiques latentes, maintenant le calcul côté client léger.
• Le serveur agrège ces statistiques via une agrégation sécurisée et ajoute du bruit de confidentialité différentielle calibré.
• Un jeu de données synthétique est décodé à partir des statistiques agrégées pour l'entraînement d'un modèle global.
• La conception fournit une confidentialité différentielle formelle $(\varepsilon,\delta)$ par construction.

FedKT-CSD évolue vers un grand nombre de clients et est compétitif ou surpasse les lignes de base non privées sur divers jeux de données et paramètres d'hétérogénéité.